连续时间回归网络的稳定性分析

连续时间回归网络的稳定性分析张兰玲刘贺平孙一康（北京科技大学自动化系北京１０００８３）关键词连续回归神经网络,渐近稳定,绝对稳定．收稿日期１９９６－０９－２６１引言回归网络稳定性的分析大多是采用李亚普诺夫直接法［１］,这种方法的关键在于李亚普诺夫函数...     

基于广义回归神经网络的传感器非线性误差校正

介绍了径向基函数网络的函数逼近原理和方法,提出了一种基于广义回归神经网络(GRNN)的传感器非线性误差校正方法。通过Matlab的Network Toolbox(神经网络工具箱),GRNN训练程序实现了输出特性曲线逼近。仿真分析表明:GRNN能够很好地满足传感器非线性拟合的要求,网络结构简单,收敛速度快。     

细胞神经网络平衡点稳定性分析

采用分割状态空间为若干个子区域的方法,对细胞神经网络平衡点的稳定性进行分析.视平衡点在子区域边界上的情况,分别检验一个或多个相应区域内系统的矩阵的Hurwitz性,得到了仅依赖网络自身元素的充分性条件.该结果容易检验,便于网络设计.     

全连接和随机连接神经网络并行实现的性能分析

直觉告诉我们:当人工神经网络算法在多处理器系统上并行实现时,处理器网络的拓扑结构和处理器节点的扇入尺寸(即输入输出规模)会影响并行算法的效率,但是对全连接和随机连接神经网络,上述结论并不成立。在神经网络的并行实现中,处理器的通信开销是一个主要的限制因素,本文将对全连接和随机连接神经网络并行实现的几个相关问题进行讨论。1 学习时间的分解     

回归神经网络预测模型归一化方法分析

该文运用几种常见数据归一化方法分别对自回归神经网络动态预测模型的预测性能进行分析,结果说明不同数据归一化处理对模型的性能影响非常明显,运用最大运算法进行归一化处理要优于其它几种常见归一化方法。     

基于回归神经网络误差配准算法的仿真实现

在网络系统优化问题的研究中,目前广泛使用的BP网络模型不能保证收敛到全局最小点,这给网络传输带来误差.为消除网络误差,提高收敛速度,在BP网络加入反馈信号生成内部递归神经网络的误差配准算法.算法在内部递归神经网络引入上次输出的结果,加入先验知识,提高了收敛速度.同时文中对有偏差单元的递归神经网络的误差反向传播学习规则进行了推导,使得网络的累积误差不大于要求值.通过民用航空领域雷达网系统仿真数据仿真表明,算法在消除雷达网系统误差、提高目标精度,对网络系统优化可以取得较好的效果.     

回归神经网络预测模型归一化方法分析

该文运用几种常见数据归一化方法分别对自回归神经网络动态预测模型的预测性能进行分析,结果说明不同数据归一化处理对模型的性能影响非常明显,运用最大运算法进行归一化处理要优于其它几种常见归一化方法。     

用带回归输入的神经网络模型评估氩弧焊接头质量

在许多情况下,弧焊接头的质量用焊缝的几何形状和尺寸来确定.具有给定形状和几何尺寸的焊接接头的获得,实际上就为保证必要的使用性能--强度、塑性和整个焊接构件的疲劳强度作出了保障.同时,无论是直接控制焊接过程,还是预测整个焊接接头质量,都难以正确地评估焊缝成形.     

基于广义回归神经网络的赤潮预警

探讨了广义回归神经网络的原理和相关算法,将广义回归神经网络应用于赤潮预警,并以米氏凯伦藻为例进行了实验.与目前使用较为广泛的BP神经网络进行比较,结果表明,广义回归神经网络的预警效果要优于BP网络,具有较高的实用价值.     

时滞神经网络的全局渐近稳定性分析

研究一类具有时滞的细胞神经网络的稳定性问题,利用Lyapunov—Krasovskii泛函的方法,给出时滞相关的稳定性判据。稳定性判据是以线性矩阵不等式的形式给出,可以很容易得出时滞的上界。在得到时滞相关的稳定性判据的同时也可以得到时滞无关的稳定性判据。数值算例说明其结果的优越性。     

基于联合卷积和递归神经网络的交通标志识别

提出了一种联合卷积和递归神经网络的深层网络结构,在卷积神经网络中引入了递归神经网络能学到的组合特征:原始图片先通过一级由k均值聚类学得滤波器的卷积神经网络,得到的结果再同时通过一级卷积和一级递归神经网络,最后得到的特征向量由Softmax分类器进行分类。实验结果表明:在第二级卷积和递归神经网络权重随机的情况下,该网络的识别率已经能够达到98.28%,跟其他网络结构相比,大大减少了训练时间,而且无需复杂的工程技巧。     

一种递归神经网络的快速并行算法

针对递归神经网络BP(Back Propagation)学习算法收敛慢的缺陷,提出一种新的递归神经网络快速并行学习算法.首先,引入递推预报误差(RPE)学习算法,并且证明了其稳定性;进一步地,为了克服RPE算法集中运算的不足,设计完整的并行结构算法.本算法将计算分配到神经网络中的每个神经元,完全符合神经网络的并行结构特点,也利于硬件实现.仿真结果表明,该算法比传统的递归BP学习算法具有更好的收敛性能.理论分析和仿真实验证明,该算法与RPE集中运算算法相比可以大大节省计算时间.     

DOMpro: Protein Domain Prediction Using Profiles, Secondary Structure, Relative Solvent Accessibility, and Recursive Neural Networks

Protein domains are the structural and functional units of proteins. The ability to parse protein chains into different domains is important for protein classification and for understanding protein structure, function, and evolution. Here we use machine learning algorithms, in the form of recursive neural networks, to develop a protein domain predictor called DOMpro. DOMpro predicts protein domains using a combination of evolutionary information in the form of profiles, predicted secondary structure, and predicted relative solvent accessibility. DOMpro is trained and tested on a curated dataset derived from the CATH database. DOMpro correctly predicts the number of domains for 69% of the combined dataset of single and multi-domain chains. DOMpro achieves a sensitivity of 76% and specificity of 85% with respect to the single-domain proteins and sensitivity of 59% and specificity of 38% with respect to the two-domain proteins. DOMpro also achieved a sensitivity and specificity of 71% and 71% respectively in the Critical Assessment of Fully Automated Structure Prediction 4 (CAFASP-4) (Fisher et al., 1999; Saini and Fischer, 2005) and was ranked among the top ab initio domain predictors. The DOMpro server, software, and dataset are available at http://www.igb.uci.edu/servers/psss.html.     

A neural network based adaptive robot controller

Neural network based adaptive controllers have been shown to achieve much improved accuracy compared with traditional adaptive controllers when applied to trajectory tracking in robot manipulators. This paper describes a new Recursive Prediction Error technique for estimating network parameters which is more computationally efficient. Results show that this neural controller suppresses disturbances accurately and achieves very small errors between commanded and actual trajectories.     

Hopfield网的图灵等价性

本文给出了用Ｈｏｐｆｉｅｌｄ网计算部分递归函数的构造性证明．由于部分递归函数与图灵机等价,故Ｈｏｐｆｉｅｌｄ网与图灵机等价．     

Accurate Prediction of Protein Disordered Regions by Mining Protein Structure Data

Intrinsically disordered regions in proteins are relatively frequent and important for our understanding of molecular recognition and assembly, and protein structure and function. From an algorithmic standpoint, flagging large disordered regions is also important for ab initio protein structure prediction methods. Here we first extract a curated, non-redundant, data set of protein disordered regions from the Protein Data Bank and compute relevant statistics on the length and location of these regions. We then develop an ab initio predictor of disordered regions called DISpro which uses evolutionary information in the form of profiles, predicted secondary structure and relative solvent accessibility, and ensembles of 1D-recursive neural networks. DISpro is trained and cross validated using the curated data set. The experimental results show that DISpro achieves an accuracy of 92.8% with a false positive rate of 5%. DISpro is a member of the SCRATCH suite of protein data mining tools available through     

Convergence of Delayed Dynamical Systems

In this paper, we point out that the conditions given in [1] are sufficient but unnecessary for the global asymptotically stable equilibrium of a class of delay differential equations. Instead, we prove that under weaker conditions, it is still global asymptotically stable.     

用神经网络建立非线性系统模型研究

本文针对多层网络结构,运用递推预报误差（ＲＰＥ）算法对离散非线性系统进行辨识研究,作为应用实例,本文对一个工业实际进行了神经网络动态建模,研究结果表明,神经网络方法是用于带有非线性特性工业过程建模的有效方法。     

基于分布式神经网络递推预报误差算法的非线性系统建模

采用基于递推预报误差算法的分布式神经网络结构建立非线性系统模型．子神经网络模型及其连接权值均采用递推预报误差方法来进行训练,将所有子网络融合得到的分布式神经网络模型在模型精确性和鲁棒性方面有显著地增加．该方法较好地应用于复杂非线性动态系统的建模．     

Improved Global Robust Stability for Interval-Delayed Hopfield Neural Networks

A modified form of a recent criterion for the global robust stability of interval-delayed Hopfield neural networks is presented. The effectiveness of the modified criterion is demonstrated with the help of an example.